💡💡💡本文独家改进：一种即插即用的通用注意力模块Sea_AttentionBlock ，带有squeeze Axial和细节增强，二次创新引入到YOLOv7增强特征提取能力

Sea_AttentionBlock |   亲测在多个数据集能够实现大幅涨点

收录：

YOLOv7高阶自研专栏介绍：

http://t.csdnimg.cn/tYI0c

✨✨✨前沿最新计算机顶会复现

🚀🚀🚀YOLOv7自研创新结合，轻松搞定科研

🍉🍉🍉持续更新中，定期更新不同数据集涨点情况
 

 1.SeaFormer介绍

论文： https://arxiv.org/pdf/2301.13156.pdf

        相较于 CNNs 而言，ViT 模型在精度方面现已逐渐主导 CV 领域。然而，我们知道 ViT 的一个普遍缺陷便是计算成本和内存要求高。特别地，针对高分辨率的逐像素密集分类的语义分割任务来说，应用 ViT 模型简直不敢相信。

        为了更好的解决这个问题，本文提出了一种面向移动端应用的新方法——